एक ऐसी कक्षा की कल्पना करें जहाँ शिक्षक केवल सामने खड़े होकर व्याख्यान देने वाला व्यक्ति नहीं है, बल्कि एक जटिल, जीवंत ऑर्केस्ट्रा का कंडक्टर (संचालक) है। इस ऑर्केस्ट्रा में, प्रत्येक छात्र एक संगीतकार है, लेकिन वे सभी एक ही वाद्य यंत्र, एक ही गति या एक ही शीट म्यूज़िक पर नहीं खेल रहे हैं। कुछ उस्ताद (virtuosos) हैं, कुछ शुरुआती हैं, और कुछ बस अपनी लय खोजने की कोशिश कर रहे हैं। दशकों से, हमने छात्रों को सीखने में मदद करने के लिए जो "स्मार्ट" उपकरण बनाए हैं, वे एकल कोच (solo coaches) की तरह काम करते रहे हैं। वे एक छात्र को सुनते हैं, उनके उत्तरों की जाँच करते हैं, और उन्हें अभ्यास समस्याओं की एक व्यक्तिगत प्लेलिस्ट देते हैं। यह तब बहुत अच्छा काम करता है जब आप एक शांत कमरे में अकेले सीख रहे हों। लेकिन वास्तविक सीखना अक्सर एक समूह परियोजना (group project) की अव्यवस्थित, शोर भरी और सुंदर अराजकता में होता है, जहाँ छात्र आपस में बात करते हैं, बहस करते हैं, एक-दूसरे की मदद करते हैं, और कभी-कभी, दुर्भाग्य से, एक व्यक्ति सारा काम कर जाता है जबकि अन्य लोग सुस्त पड़ जाते हैं।

बड़ा सवाल जिसका यह शोध पत्र समाधान खोजता है, वह यह है: हम एक ऐसा "स्मार्ट कोच" कैसे बनाएं जो न केवल एकल कलाकारों को देखे, बल्कि पूरे बैंड को वास्तव में समझ सके? यह पूछता है कि हम AI का उपयोग न केवल एक छात्र को गणित की समस्या हल करने में मदद करने के लिए, बल्कि यह नोटिस करने के लिए भी कैसे कर सकते हैं कि समूह कब बिखर रहा है, कब एक आवाज़ बातचीत पर हावी हो रही है, या कब एक शर्मीले छात्र को बोलने के लिए एक कोमल प्रोत्साहन की आवश्यकता है। यह पत्र तर्क देता है कि आधुनिक, विविध कक्षाओं में वास्तव में सहायक होने के लिए, AI को छात्रों को अलग-थलग द्वीपों के रूप में देखना बंद करना होगा और एक सामाजिक कंडक्टर के रूप में कार्य करना शुरू करना होगा, जो व्यक्तिगत सीखने के साथ-साथ समूह की गतिशीलता का भी सावधानीपूर्वक मार्गदर्शन करे।

---

मुख्य विचार: मल्टी-लेवल रेगुलेशन इंजन (The Multi-Level Regulation Engine)

इस शोध पत्र के लेखक, रयम आयौनी (Rym Aiouni) और अनीस बे (Anis Bey) ने एक नए प्रकार के "स्मार्ट ट्यूटर" का खाका तैयार किया है जिसे मल्टी-लेवल रेगुलेशन इंजन (MLRE) कहा जाता है। इस इंजन को एक सुपर-स्मार्ट, अदृश्य रेफरी के रूप में सोचें जो एक ग्रुप चैट या सहयोगात्मक परियोजना के बीच में बैठा है। पारंपरिक ट्यूटर्स के विपरीत जो केवल आपके होमवर्क को देखते हैं, यह रेफरी एक ही समय में आपको, आपके साथी को और पूरी टीम को देखता है।

शोध प्रस्तावित करता है कि सीखना तीन अलग-अलग "स्तरों" पर एक साथ होता है:

1. व्यक्तिगत स्तर (The Individual Level): आप सामग्री को कितनी अच्छी तरह समझ रहे हैं?
2. द्वैत स्तर (The Dyadic Level): आप और आपका साथी एक-दूसरे के साथ कैसे तालमेल बिठा रहे हैं? क्या आप एक-दूसरे की बात सुन रहे हैं?
3. समूह स्तर (The Group Level): क्या पूरी टीम मिलकर काम कर रही है, या एक व्यक्ति चर्चा पर हावी हो रहा है जबकि अन्य चुप हैं?

MLRE इन तीनों को संभालने के लिए डिज़ाइन किया गया है। यदि यह देखता है कि एक छात्र किसी अवधारणा (concept) के साथ संघर्ष कर रहा है (व्यक्तिगत), लेकिन समूह उसे अनदेखा कर रहा है, तो इंजन केवल छात्र को संकेत नहीं देता। यह समूह को एक हल्का सा इशारा भेज सकता है, जैसे कि एक कोमल स्पर्श के साथ कहना, "हे, चलिए सारा की बात सुनते हैं," या यह भूमिका बदलने का सुझाव दे सकता है ताकि शांत छात्र को नेतृत्व करने का मौका मिले।

उन्होंने वास्तव में क्या किया (और क्या नहीं किया)

यहाँ सबसे महत्वपूर्ण हिस्सा है: यह शोध पत्र एक ब्लूप्रिंट और एक सिमुलेशन है, कोई तैयार उत्पाद नहीं। लेखकों ने कोई ऐसा रोबोट नहीं बनाया जो वास्तव में एक कक्षा में जाकर 120 छात्रों को पढ़ा सके। इसके बजाय, उन्होंने एक "डिज़ाइन साइंस" दृष्टिकोण अपनाया, जिसका अर्थ है कि उन्होंने सैद्धांतिक मशीन बनाई, कंप्यूटर लैब में उसके गियर का परीक्षण किया, और फिर इसे बाद में वास्तविक दुनिया में परीक्षण करने के लिए एक विस्तृत योजना लिखी।

"ऑफलाइन" परीक्षण (कंप्यूटर लैब)
वास्तविक छात्रों को जोखिम में डालने से पहले, टीम ने अपने कंप्यूटर पर दो प्रमुख परीक्षण किए:

1. एकल परीक्षण (The Solo Test): उन्होंने यह जाँच की कि क्या उनके इंजन का "व्यक्तिगत" भाग काम करता है। उन्होंने इसमें 4,000 से अधिक छात्रों से जुड़ी गणित की समस्याओं का एक विशाल सार्वजनिक डेटासेट (ASSISTments डेटासेट) डाला। अगले प्रश्न को सही बताने की इंजन की क्षमता 0.78 थी (एक ऐसे पैमाने पर जहाँ उच्च स्कोर बेहतर होता है)। यह एक ठोस स्कोर है, जो यह सिद्ध करता है कि उनके डिज़ाइन का "एकल कोच" वाला हिस्सा मौजूदा सर्वश्रेष्ठ ट्यूटर्स के समान ही अच्छा है।
2. समूह सिमुलेशन (The Group Simulation): यहीं असली जादू हुआ। उन्होंने कंप्यूटर सिमुलेशन में 1,000 नकली समूह सत्र बनाए। उन्होंने पाँच अलग-अलग "आपदा परिदृश्य" (disaster scenarios) सेट किए:
   • एक समूह जहाँ सभी समान थे (Balanced)।
   • एक समूह जिसमें एक "दबंग" (Bossy) छात्र था जो बहुत अधिक बोल रहा था (Dominant)।
   • एक समूह जिसमें एक "शांत" (Silent) छात्र था जो कभी नहीं बोला।
   • एक समूह जहाँ दो छात्र आपस में लड़ रहे थे (Conflict)।
   • एक समूह जहाँ किसी ने हार मान ली थी (Disengagement)।

उन्होंने इस सिमुलेशन को 1,000 बार चलाया (प्रत्येक 5 परिदृश्यों के लिए 200 सत्र)। हर एक परिदृश्य में, जब MLRE चालू (ON) था, तो "भागीदारी समानता" (Participation Equity - एक स्कोर कि कैसे सभी को समान रूप से बोलने का अवसर मिला) बढ़ गई।
* "दबंग" (Dominant) परिदृश्य में, समानता का स्कोर बिना इंजन के 0.642 से बढ़कर इंजन के साथ 0.929 हो गया।
* "शांत" (Silent) परिदृश्य में, यह 0.708 से बढ़कर 0.880 हो गया।

यह सुनिश्चित करने के लिए कि यह केवल भाग्य नहीं था, उन्होंने इंजन की सेटिंग्स को 135 अलग-अलग तरीकों से बदला (एक "पैरामीटर स्वीप")। उन 100% संयोजनों में, इंजन ने बातचीत की निष्पक्षता में सुधार किया। यह सुझाव देता है कि विचार मजबूत है, भले ही हमें अभी तक वास्तविक कक्षा के लिए सटीक सेटिंग्स का पता न हो।

"वास्तविक डेटा" पायलट (द स्ट्रेस टेस्ट)
टीम ने "कानों" का परीक्षण (वह हिस्सा जो बातचीत को सुनता है) वास्तविक, शोर वाले डेटा पर भी किया, हालांकि यह छात्रों का नहीं था।

• उन्होंने इसमें 40 वास्तविक कार्यस्थल बैठक की रिकॉर्डिंग (जहाँ वयस्क चीजों का डिज़ाइन बना रहे थे) डालीं। सिस्टम ने ऑडियो को सफलतापूर्वक प्रोसेस किया, यहाँ तक कि रुकावटों और "अम्म" (um) और "ओके" (okay) जैसे फिलर शब्दों के साथ भी, जिससे सिद्ध होता है कि यह वास्तविक दुनिया के शोर को संभाल सकता है।
• उन्होंने 479 वास्तविक K-12 गणित कक्षा ट्रांसक्रिप्ट पर एक "प्रश्न डिटेक्टर" का भी परीक्षण किया। उन्होंने पाया कि जब सिस्टम ने शिक्षक के वाक्य को "प्रश्न" के रूप में चिह्नित किया, तो उसके बाद छात्र का उत्तर 26.5% बार आया, जबकि जिन वाक्यों को इसने चिह्नित नहीं किया था, उनके लिए यह केवल 22.3% था। यह एक छोटा सा अंतर है, लेकिन यह सुझाव देता है कि सिस्टम वास्तव में प्रश्नों को सही ढंग से "सुन" रहा है, न कि केवल अनुमान लगा रहा है।

यह पत्र किन बातों को खारिज करता है (और यह अभी भी क्या समझ रहा है)

लेखक बहुत स्पष्ट हैं कि यह क्या नहीं है।

• यह शिक्षकों का विकल्प नहीं है। सिस्टम को "ह्यूमन-इन-द-लूप" (Human-in-the-Loop) के साथ डिज़ाइन किया गया है। इसका मतलब है कि AI एक सह-पायलट की तरह कार्य करता है। यह सुझाव दे सकता है, लेकिन शिक्षक के पास एक डैशबोर्ड होता है जहाँ वे देख सकते हैं कि AI ने सुझाव क्यों दिया और यदि वे असहमत हैं तो वे "स्टॉप" बटन दबा सकते हैं। AI को ऐसे निर्णय लेने की अनुमति नहीं है जो नैतिक नियमों का उल्लंघन करते हों (जैसे कि संघर्ष कर रहे छात्र को अलग करना)।
• यह सभी समूहों के लिए "जादुई समाधान" नहीं है। यह पत्र स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि केवल विविध छात्रों को एक कमरे में रखने मात्र से वे बेहतर सीखते हैं। इस प्रकार के नियमन के बिना, विविधता वास्तव में असमानता का कारण बन सकती है, जहाँ आत्मविश्वासी छात्र हावी हो जाते हैं और अन्य पीछे छूट जाते हैं। MLRE उस विविधता को प्रबंधित करने के लिए आवश्यक उपकरण है, न कि केवल यह मान लेना कि यह स्वतः ही काम करेगा।
• इसे अभी वास्तविक कक्षा में सिद्ध नहीं किया गया है। लेखक स्वीकार करते हैं कि उनके इंजन का "समूह इंटरेक्शन" (Group Interaction) भाग (वह हिस्सा जो सामाजिक गतिशीलता को समझता है) का परीक्षण केवल नकली डेटा और वयस्क बैठकों पर किया गया है। उन्होंने अभी तक यह सिद्ध नहीं किया है कि यह वास्तविक समूहों में काम करता है जो एक साथ काम कर रहे हैं। यही वह "लापता कड़ी" है जिसे उन्हें अपने भविष्य के फील्ड अध्ययन में खोजना है।

निष्कर्ष

यह शोध पत्र एक साहसिक विचार पेश करता है: एक ऐसा AI ट्यूटर जो एक सामाजिक कंडक्टर के रूप में कार्य करता है, जो व्यक्तिगत, जोड़ी और समूह स्तरों पर एक साथ सीखने को नियंत्रित करता है। 1,000 कंप्यूटर सिमुलेशन के माध्यम से, लेखकों ने दिखाया कि उनका इंजन यह सुधार सकता है कि समूह में छात्र कितनी निष्पक्षता से भाग लेते हैं, यहाँ तक कि "दबंग" या "शांत" सदस्यों जैसे कठिन परिदृश्यों में भी। उन्होंने यह भी सिद्ध किया कि सिस्टम वास्तविक, शोर वाली बातचीत को बिना टूटे संभाल सकता है।

हालाँकि, यह पत्र वास्तविक दुनिया में विजय का दावा करने से रुक जाता है। "समूह इंटरेक्शन" परत अभी भी एक परिकल्पना है जिसे वास्तविक छात्रों के साथ परीक्षण करने की आवश्यकता है। लेखक एक वास्तविक कक्षा में 120 छात्रों को शामिल करने वाले भविष्य के प्रयोग का प्रस्ताव देते हैं ताकि यह देखा जा सके कि क्या यह डिजिटल कंडक्टर वास्तव में सीखने को अधिक समावेशी और प्रभावी बना सकता है। तब तक, MLRE एक शक्तिशाली, आशाजनक ब्लूप्रिंट बना हुआ है—एक भविष्य के लिए निर्देशों का एक सेट जहाँ AI हमें न केवल अधिक सीखने में, बल्कि एक साथ बेहतर सीखने में मदद करता है।